RIBGCL: Reliability-Guided Item-Bias-Aware Graph Contrastive Learning for Social Recommendation
यह शोध पत्र RIBGCL का प्रस्ताव करता है, जो एक सोशल रिकमेंडेशन के लिए ग्राफ कॉन्ट्रास्टिव लर्निंग फ्रेमवर्क है, जो कॉन्फिडेंस-वेटेड सोशल प्रोपेगेशन के लिए एक इंटरेस्ट-कंसिस्टेंसी गेट और एक बाउंडेड, सिमिलैरिटी-कंट्रोल्ड आइटम-रिप्रेजेंटेशन करेक्शन को संयुक्त रूप से नियोजित करके नॉइजी सोशल टाइज और पॉपुलैरिटी बायस को कम करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
ऑनलाइन शॉपिंग और मनोरंजन के विशाल डिजिटल परिदृश्य में, एल्गोरिदम अदृश्य क्यूरेटर के रूप में कार्य करते हैं, जो यह तय करते हैं कि आपको कौन से उत्पाद दिखाए जाएं और अगली कौन सी फिल्में स्ट्रीम की जाएं। दशकों से, ये सिस्टम एक सरल तर्क पर निर्भर रहे हैं: यदि आपको एक फिल्म पसंद आई, तो संभवतः आपको वे अन्य फिल्में भी पसंद आएंगी जो समान लोगों ने पसंद की थीं। यह दृष्टिकोण, जिसे कोलबोरेटिव फ़िल्टरिंग (collaborative filtering) कहा जाता है, तब अच्छी तरह काम करता है जब पर्याप्त डेटा उपलब्ध हो, लेकिन जब कोई उपयोगकर्ता नया हो या उसका इतिहास बहुत सीमित हो, तो यह अक्सर लड़खड़ा जाता है। इसे ठीक करने के लिए, शोधकर्ताओं ने सोशल रिकमेंडेशन (social recommendation) पेश किया, एक ऐसी विधि जो आपके दोस्तों और संपर्कों को देखती है ताकि यह अनुमान लगाया जा सके कि आपको क्या पसंद आ सकता है। विचार यह है कि आपका सामाजिक दायरा आपकी पसंद के बारे में सुराग रखता है। हालाँकि, इस रणनीति में एक छिपा हुआ दोष है। सिर्फ इसलिए कि दो लोग किसी प्लेटफॉर्म पर दोस्त हैं, इसका मतलब यह नहीं है कि उनकी रुचियां समान हैं; एक को हाई-टेक गैजेट्स पसंद हो सकते हैं जबकि उनका दोस्त बागवानी का शौकीन हो सकता है। इसके अलावा, लोकप्रिय वस्तुएं अक्सर विशिष्ट (niche) वस्तुओं को दबा देती हैं, जिससे एल्गोरिदम व्यक्तिगत पसंद की परवाह किए बिना सभी को एक ही जैसे बेस्टसेलर्स की सिफारिश करता है। वैज्ञानिकों के लिए चुनौती एक ऐसा सिस्टम बनाने की है जो सामाजिक संबंधों को बिना भ्रमित हुए सुन सके, और जो वास्तविक प्राथमिकताओं को पहचान सके, भले ही वे लोकप्रिय रुझानों के ढेर के नीचे दबी हों।
शंघाई डियानजी यूनिवर्सिटी (Shanghai DianJi University) के शोधकर्ताओं की एक टीम ने इन विशिष्ट समस्याओं को हल करने के लिए RIBGCL नामक एक नया ढांचा विकसित किया है। उनका कार्य अविश्वसनीय सामाजिक संबंधों और लोकप्रियता के शोर के दोहरे मुद्दों को संबोधित करता है। हर सामाजिक लिंक को साझा पसंद की गारंटी मानने के बजाय, उनका सिस्टम एक सतर्क संपादक के रूप में कार्य करता है, जो प्रत्येक संबंध को इस आधार पर तौलता है कि दोनों लोग वास्तव में एक-दूसरे की पसंद पर कितना सहमत हैं। साथ ही, सिस्टम यह पहचानने में सक्षम है कि किसी वस्तु की सिफारिश केवल इसलिए की जा रही है क्योंकि वह प्रसिद्ध है, न कि इसलिए कि वह एक विशिष्ट उपयोगकर्ता की अनूठी रुचियों के अनुकूल है। इन दोनों सुधारों को जोड़कर, शोधकर्ताओं ने एक ऐसा मॉडल बनाया है जो लोगों और उत्पादों दोनों की समझ को परिष्कृत करता है, जिससे अधिक सटीक और व्यक्तिगत सुझाव मिलते हैं।
इस नए दृष्टिकोण का मूल आधार यह है कि यह सामाजिक नेटवर्क की अव्यवस्थित वास्तविकता को कैसे संभालता है। वास्तविक दुनिया में, प्लेटफॉर्म पर एक "दोस्त" एक दूर का परिचित, एक व्यावसायिक संपर्क, या कोई ऐसा व्यक्ति हो सकता है जिसके साथ आप केवल कभी-कभार बातचीत करते हैं। यदि कोई रिकमेंडेशन इंजन हर संबंध का आँख मूंदकर पालन करता है, तो वह आपकी रुचियों को उस व्यक्ति की रुचियों के साथ मिलाने का जोखिम उठाता है जिसकी आपके साथ कुछ भी समानता नहीं है। शोधकर्ताओं ने एक तंत्र पेश किया जिसे वे 'सोशल कॉन्फिडेंस गेट' (social confidence gate) कहते हैं। इसकी कल्पना एक ऐसे फिल्टर के रूप में करें जो दो उपयोगकर्ताओं की प्राथमिकताओं को मिलने देने से पहले उनके बीच की अनुकूलता की जांच करता है। यदि दो दोस्तों की पसंद बहुत अलग है, तो सिस्टम उस संबंध के भार (weight) को कम कर देता है, यह सुनिश्चित करते हुए कि बेमेल मित्र का शोर युक्त संकेत उपयोगकर्ता की प्रोफाइल को विकृत न करे। महत्वपूर्ण रूप से, सिस्टम इन संबंधों को पूरी तरह से नहीं काटता है; यह केवल उनके प्रभाव को कम करता है, जिससे सामाजिक नेटवर्क की संरचना सुरक्षित रहती है और उपयोगकर्ता को गलत सलाह से बचाया जा सके। यह दृष्टिकोण कमजोर संबंधों को सीधे हटाने की तुलना में अधिक प्रभावी साबित हुआ, क्योंकि इसने मॉडल को सूचना के एक सूक्ष्म सूत्र को बनाए रखने की अनुमति दी जो अभी भी उपयोगी हो सकता है।
दूसरी ओर, शोधकर्ताओं ने 'आइटम बायस' (item bias) की समस्या पर प्रहार किया। कई अनुशंसा प्रणालियों में, लोकप्रिय वस्तुओं को बिना किसी रोक-टोक के छूट मिल जाती है। चूंकि हजारों लोगों ने एक ब्लॉकबस्टर फिल्म खरीदी या देखी है, इसलिए एल्गोरिदम मान लेता है कि यह सभी के लिए अच्छी होनी चाहिए, और अक्सर इस तथ्य को नजरअंदाज कर देता है कि एक विशिष्ट उपयोगकर्ता को शायद अस्पष्ट वृत्तचित्र (documentaries) पसंद हों। नया मॉडल इस सुधार के लिए 'काउंटरफैक्चुअल थिंकिंग' (counterfactual thinking) से प्रेरित तकनीक का उपयोग करता है। यह उन लोगों के समूह को देखता है जिन्होंने किसी विशिष्ट वस्तु के साथ इंटरैक्ट किया है और पूछता है कि उस वस्तु के साथ एक "सामान्य" इंटरैक्शन कैसा दिखता है। यदि किसी वस्तु का प्रतिनिधित्व लोकप्रियता द्वारा अत्यधिक प्रभावित है, तो सिस्टम उस वस्तु की प्रोफाइल को उस सामान्य भीड़ से धीरे से दूर धकेलता है। यह एक 'वीक रेसिडुअल स्ट्रैटेजी' (weak residual strategy) के साथ किया जाता है, जिसका अर्थ है कि समायोजन छोटा और नियंत्रित है, यह सुनिश्चित करते हुए कि सिस्टम लोकप्रियता के पूर्वाग्रह को हटाने के चक्कर में वस्तु के बारे में उपयोगी जानकारी को बाहर न फेंक दे। इसका परिणाम उत्पादों का एक अधिक संतुलित दृश्य है, जहाँ विशिष्ट वस्तुएं बेस्टसेलर्स के साथ चमक सकती हैं।
अपने विचारों का परीक्षण करने के लिए, शोधकर्ताओं ने अपने ढांचे को वास्तविक दुनिया के उपयोगकर्ता इंटरैक्शन और सामाजिक विश्वास लिंक वाले तीन प्रसिद्ध डेटासेट्स पर लागू किया। ये डेटासेट्स, जिनमें उपभोक्ता उत्पादों और फिल्मों की समीक्षाएं शामिल हैं, काम करने के लिए अत्यंत कठिन हैं क्योंकि डेटा बहुत विरल (sparse) है; अधिकांश उपयोगकर्ताओं ने उपलब्ध वस्तुओं के बहुत छोटे हिस्से को ही रेट किया है। इस चुनौती के बावजूद, नए सिस्टम ने तीनों डेटासेट्स में कई स्थापित तरीकों को पीछे छोड़ दिया। उपभोक्ता उत्पादों के लिए सामाजिक विश्वास लिंक वाले एक डेटासेट पर, नए मॉडल ने अगले सबसे अच्छे तरीके की तुलना में अपने टॉप-टेन रिकमेंडेशन की सटीकता में लगभग सात प्रतिशत का सुधार किया। मूवी रेटिंग पर केंद्रित एक अन्य डेटासेट पर, इसने निरंतर, हालांकि छोटे, लाभ दिखाए। शोधकर्ताओं ने पाया कि सुधार सबसे अधिक उन डेटासेट्स में महत्वपूर्ण थे जिनमें सामाजिक संबंध सबसे अधिक और डेटा की विरलता (sparsity) का स्तर उच्चतम था, जो यह दर्शाता है कि उनकी विधि विशेष रूप से उन जटिल सामाजिक वातावरणों में नेविगेट करने में अच्छी है जहाँ पारंपरिक मॉडल संघर्ष करते हैं।
अध्ययन में इस बात का भी विस्तृत विवरण शामिल था कि सिस्टम के विभिन्न हिस्सों ने अंतिम परिणाम में कैसे योगदान दिया। जब शोधकर्ताओं ने 'सोशल कॉन्फिडेंस गेट' को हटाया, तो सिस्टम का प्रदर्शन गिर गया, जिससे पुष्टि हुई कि सामाजिक संबंधों पर अंधाधुंध भरोसा करना शोर पैदा करता है। इसी तरह, जब उन्होंने 'काउंटरफैक्चुअल डीबायसिंग मॉड्यूल' को हटाया, तो सिस्टम लोकप्रिय वस्तुओं और उन वस्तुओं के बीच अंतर करने में कम प्रभावी हो गया जो वास्तव में उपयोगकर्ता की विशिष्ट पसंद से मेल खाती हैं। प्रयोगों ने दिखाया कि ये दो घटक सबसे अच्छा तब काम करते हैं जब इनका एक साथ उपयोग किया जाता है, जो अलग-अलग कोणों से डेटा को साफ करने वाले पूरक फिल्टर के रूप में कार्य करते हैं। शोधकर्ताओं ने यह भी नोट किया कि सिस्टम कुशल बना रहा, प्रशिक्षण प्रक्रिया में केवल थोड़ा सा कम्प्यूटेशनल समय जोड़ा, जो वास्तविक दुनिया के अनुप्रयोगों के लिए एक व्यावहारिक लाभ है।
हालांकि परिणाम उत्साहजनक हैं, लेखक अपने निष्कर्षों को एक अंतिम समाधान के बजाय एक महत्वपूर्ण प्रगति के रूप में प्रस्तुत करने में सावधानी बरतते हैं। वे स्वीकार करते हैं कि उनकी विधि अवलोकन संबंधी डेटा (observational data) पर निर्भर करती है और "काउंटरफैक्चुअल" समायोजन डेटा में पैटर्न पर आधारित अनुमान हैं, न कि प्रमाणित कारण हस्तक्षेप (causal interventions)। सिस्टम यह सुझाव देता है कि सामाजिक विश्वास को सावधानीपूर्वक तौलकर और लोकप्रियता को सुधारकर, रिकमेंडेशन इंजन अधिक विश्वसनीय और व्यक्तिगत बन सकते हैं। यह कार्य भविष्य के उन सिस्टमों के लिए द्वार खोलता है जो डेटा के और भी अधिक प्रकारों, जैसे कि दृश्य या पाठ्य (visual or textual) जानकारी को एकीकृत कर सकें, ताकि मशीनों की मानवीय प्राथमिकताओं को समझने की क्षमता को और अधिक परिष्कृत किया जा सके। फिलहाल, यह अध्ययन स्पष्ट रूप से प्रदर्शित करता है कि सोशल मीडिया और ऑनलाइन शॉपिंग की शोर भरी दुनिया में, थोड़ा सा संदेह और सावधानीपूर्वक समायोजन कहीं बेहतर सिफारिशों की ओर ले जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।